Многоагентный подход к оценке стоимости в аналитике Больших данных

Растущая область Больших Данных (БД) создаёт ряд трудностей в задачах, которые ранее были решены более простым способом. Например, в настоящее время процессы в области искусственного интеллекта сталкиваются с цифровыми средами, которые характеризуются не только очень большими базами данных, но также динамическими и неструктурированными данными. Эта работа посвящена проблеме оценки затрат на анализ таких сред, особенно связанных с распознаванием объектов в БД. Моделирование, учитывающее ряд характеристик БД, показало, что многоагентное распознавание может быть выполнено при определённом бюджете, комбинируя различные скорости обучения агентов и несущественную потерю информации.

A multiagent approach for cost estimating in big data analytics

The growing field of Big Data (BD) poses a number of difficulties in tasks that previously were approached in a simpler way. Processes in artificial intelligence, for instance, nowadays encounter digital environments characterized not only by very large databases, but also by dynamic and unstructured data. This work focuses on the problem of estimating the cost of analysis of such environments, specifically relating to object recognition in BD. Simulations considering a series of BD characteristics showed that multiagent recognition can be performed under a certain budget by combining different rates of agent learning and nonessential information loss.